Previso de Demanda

Mtodos Quantitativos
Mtodos Qualitativos
(exerccios de reforo)

GESTO DE MATERIAIS - 8

Previso de Demanda

Definio:
a informao bsica para a determinao
das quantidades a serem produzidas, devido
ao conhecimento das quantidades a serem
vendidas, e os nveis de estoques indicados
pela gesto de estoque.
Fontes de dados :
Fontes internas.

Fontes externas.

Previso de Demanda

Como prever a demanda:

A previso da demanda pode ser
obtida com a utilizao de mtodos
ou modelos que podem ser:
Qualitativos.
Quantitativos.

Previso de Demanda
Sadas:
Demanda estimada
p/prod. em p/periodo
de tempo
Outras sadas
Capacidade
de Produo
Previso para demanda
estimada p/prod. em
p/periodo de tempo

Equipe
administrativa

Experincia
Valores e
motivos
pessoais

Proc. p/ converter Prev.

Vendas em Prev.
Recursos Produo

Estrateg. Neg.
Pl Prod.

Previso de recursos de produo

Longo
Mdio
Curto

Pl Finan.

prazo

Pl Mkt

prazo

Recursos
disponveis

prazo

Valores
sociais e
culturais
Outros
fatores

Porque fazer previso de vendas:

Nvel Estratgico:
Planejamento de novas instalaes.
instalaes
O projeto e construo de uma nova
fbrica ou processo pode levar anos.
Para que essas atividades sejam
viveis so necessrias previses de
longo prazo da demanda .

Porque fazer previso de vendas:

Nvel Ttico

Os ndices de produo devem ser alterados

no intuito de atender as demandas de bens
ou servios que variam ms a ms.

Muitas vezes so necessrios meses para

mudar a capacidade dos processos de
produo.

Os gerentes de operaes precisam de

previses a mdio prazo para poder trabalhar
com acordo com as demandas.

Porque fazer previso de vendas:

Nvel Operacional
A fora de trabalho deve ser alterada no
intuito de atender as demandas de bens
ou servios que variam semana a
semana.
Os gerentes de operaes necessitam de
previses de curto prazo a fim de que
possam ter tempo de adequar a fora de
trabalho.

Previso de Demanda

Exemplos de Itens que devem ser previstos:

Horizonte da
previso

Intervalo de
tempo

Exemplos de itens que

devem ser previstos

Unidades tpicas
de previso

Longo Prazo

Anos

Novas

linhas de produtos
Capacidade de fbrica
Fundos de capital

Dlares

Mdio Prazo

Meses

Grupos

de produtos
Capacidades
departamentais
Mo de obra
MP comprada
Estoques

Unidades

Curto Prazo

Semanas

Produtos

Unidades

especficos
Habilidade de MO
Capacidade de Mquina
Dinheiro vivo
Estoque

Gales,

horas, libras,
unid. ou clientes por
tempo
Dlares
Gales,

horas, unid.
ou clientes por tempo
Trabalhadores, horas
Unidades, libras,
gales
Unidades, dlares
Trabalhadores,

horas
Gales, horas, unid.
ou clientes por tempo
Dlares
Unidades, dlares

Mtodos Qualitativos de
Previso
Esses mtodos normalmente se baseiam em
julgamentos a respeito dos fatores causais.
Fundamentam as vendas de produtos ou
servios particulares e em opinies sobre a
probabilidade relativa de esses fatores causais
estarem presentes no futuro.
Podem envolver diversos nveis de sofisticao
de pesquisa de opinio cientificamente
conduzidas a suposies intuitivas sobre os
eventos.

Mtodos Qualitativos de
Previso
Tipos de Mtodos Qualitativos:
1. Consenso do comit executivo.
2. Mtodo Delphi.
3. Pesquisa da equipe de vendas.
4. Pesquisa de clientes.
5. Analogia histrica.
6. Pesquisa de mercado.

Mtodos Qualitativos de
Previso
1. Consenso do comit executivo

Executivos com capacidade de discernimento, de

vrios departamentos da organizao, formam um
comit que tem a responsabilidade de desenvolver
uma previso de vendas.

O comit pode usar informaes de todas as partes da

organizao e fazer com que os analistas forneam
anlises quando necessrio.

Essas previses tendem a ser previses

compromisso e o mtodo mais comum.

de

Mtodos Qualitativos de
Previso
2. Mtodo Delphi
Esse mtodo usado para se obter um
consenso dentro de um comit.
Neste mtodo os executivos respondem
anonimamente a uma srie de perguntas
em turnos sucessivos.

Mtodos Qualitativos de
Previso
2. Mtodo Delphi
Cada resposta repassada a todos os
participantes em cada turno, e o processo
ento repetido.
At seis turnos podem ser necessrios antes
que se atinja o consenso sobre a previso.

Esse mtodo pode resultar em previses com

as quais a maioria dos participantes concordou,
apesar de ter ocorrido uma discordncia inicial.

Mtodos Qualitativos de
Previso
3. Pesquisa da equipe de vendas
Estimativas de vendas regionais futuras so
obtidas de membros individuais da equipe de
vendas.
Essas estimativas so combinadas para formar
uma nica estimativa para todas as regies.

Mtodos Qualitativos de
Previso
3. Pesquisa da equipe de vendas
A nica estimativa deve ento ser transformada
pelos gerentes numa previso de vendas para
assegurar estimativas realsticas.
Esse um mtodo de previso popular para
empresas que tem um bom sistema de
comunicao em funcionamento e uma equipe
de vendas que vende diretamente aos clientes.

Mtodos Qualitativos de
Previso
4. Pesquisa de clientes
Estimativas de vendas
diretamente dos clientes.

so

obtidas

Clientes individuais so pesquisados

para determinar quais quantidades dos
produtos da empresa eles pretendem
comprar em cada perodo de tempo
futuro.

Mtodos Qualitativos de
Previso
4. Pesquisa de clientes
Um previso de vendas determinada
combinando-se as respostas de clientes
individuais.

Esse mtodo um dos preferidos das

empresas que tm relativamente poucos
clientes.

Exemplo: concessionrias de veculos .

Mtodos Qualitativos de
Previso
5. Analogia histrica
Esse mtodo une a estimativa de vendas
futuras de um produto ao conhecimento
das vendas de um produto similar.

Mtodos Qualitativos de
Previso
5. Analogia histrica
O conhecimento das vendas de um
produto durante vrias etapas de seu
ciclo de vida aplicado estimativa de
vendas de um produto similar.
Esse mtodo pode ser especialmente til
na previso de vendas de novos
produtos.

Mtodos Qualitativos de
Previso
6. Pesquisa de Mercado
Nas pesquisas de mercado, questionrios por
correspondncia, entrevistas telefnicas ou
entrevistas de campo formam a base para testar
hipteses sobre mercados reais.
Em teste de mercado, produtos comercializados
em regies ou centros de compras tipo
outlets so estatisticamente extrapolados para
mercados totais.

Mtodos Qualitativos de
Previso
6. Pesquisa de Mercado
Esses mtodos comumente so preferidos para
novos produtos ou para produtos existentes a
serem introduzidos em novos segmentos de
mercados.
mercados

Modelos Quantitativos de
Previso
Os modelos quantitativos de previso
so modelos matemticos baseados em
dados histricos.
Esses modelos supem que dados
passados so relevantes para o futuro.
Esses modelos so utilizados com sries
temporais.

Modelos Quantitativos de
Previso
Srie Temporal:
um conjunto de valores observados
medidos ao longo de perodos de
tempos sucessivos.
Esses modelos sero aplicados:
para preciso.
previso.
previses de longo prazo e de curto prazo.

Modelos Quantitativos de
Previso
Tipos de modelos quantitativos:
1. Regresso Linear
2. Mdia Mvel
3. Mdia Ponderada Mvel
4. Exponencial Mvel
5. Exponencial Mvel com Tendncia

Modelos Quantitativos de
Previso
Preciso da Previso:
Refere-se a quo perto as previses
chegam dos dados reais.
Uma vez que as previses so feitas
antes que os dados reais se tornem
conhecidos, a preciso das previses
podem ser determinadas somente depois
da passagem do tempo.

Modelos Quantitativos de
Previso
Preciso da Previso:
Quando as previses ficam muito
prximas dos dados reais, dizemos que
elas tm alta preciso e que o erro de
previso baixo.
Determina-se a preciso dos modelos de
previso mantendo uma contagem
contnua do quanto as previses
deixaram de atingir os pontos de dados
reais ao longo do tempo.

Modelos Quantitativos de
Previso
Previso de Longo Prazo:
Significa estimar condies futuras ao longo
de intervalos de tempo normalmente maiores
do que um ano.
Por exemplo:
1. Projetar um novo produto
(O volume de vendas justifica uma maquinrio
de produo automatizado?)

Modelos Quantitativos de
Previso
Previso de Longo Prazo:
Significa estimar condies futuras ao longo
de intervalos de tempo normalmente maiores
do que um ano.
Por exemplo:
2. Determinar a capacidade de produo para
um novo produto
( Quanta capacidade ser necessria?Quantas
Fbricas?Onde?)

Modelos Quantitativos de
Previso
Previso de Longo Prazo:
Significa estimar condies futuras ao longo
de intervalos de tempo normalmente maiores
do que um ano.
Por exemplo:
3. Planejar para o abastecimento de materiais a
longo prazo.
(garantia de fornecimento de contrato de
matria prima a longo prazo)

Modelos Quantitativos de
Previso
Previso de Longo Prazo:
Numa anlise de longo prazo, os dados
histricos de vendas so compostos de
diversos componentes, entre eles:
#

tendncias, ciclos, sazonalidade e

flutuao aleatria ou rudo.

Modelos Quantitativos de
Previso

Previso de Longo Prazo:

As tendncias so ilustradas com uma linha com

inclinao para cima ou para baixo
Ciclo, um padro de dados que pode cobrir diversos
anos antes de se repetir
Sazonalidade, um padro de dados que se repete
depois de um perodo de tempo
Flutuao aleatria ou rudo, um padro resultante
da variao aleatria ou causas inexplicveis

Modelos Quantitativos de
Previso

Previso de Longo Prazo:

As tendncias
So ilustradas com uma linha com inclinao
para cima ou para baixo

Modelos Quantitativos de
Previso
Previso de Longo Prazo:

Ciclo
um padro de dados que pode cobrir
diversos anos antes de se repetir.

Modelos Quantitativos de
Previso

Previso de Longo Prazo:

Sazonalidade
um padro de dados que se repete depois
de um perodo de tempo

Modelos Quantitativos de
Previso

Previso de Longo Prazo:

Flutuao aleatria ou rudo

um padro resultante da variao
aleatria ou causas inexplicveis.

Modelos Quantitativos de
Previso
Regresso Linear:

A anlise de regresso linear um modelo

de previso que estabelece uma relao
entre uma varivel dependente e uma ou
mais variveis independentes.

Modelos Quantitativos de
Previso
Regresso Linear:

Uma regresso linear simples tambm

pode ser usada quando a varivel
independente x representa uma outra
varivel que no seja tempo.
Nesse caso, a regresso linear
representativa de uma classe de modelos
de previso chamada modelos de
previso causais .

Modelos Quantitativos de
Previso
Diversos mtodos de extrapolao so empregados,
todos consistindo na projeo do futuro a partir de
dados do passado.
Os mtodos mais simples utilizados so;

Mtodo dos Mnimos Quadrados:

a .1 Tendncia reta
a. 2 Tendncia parbola.

Modelos Quantitativos de
Previso
Tendncia reta
Para efeito desse clculo de distribuio linear,
consideremos inicialmente o par de eixos cartesianos
x , y , e a reta r , que representa determinada
tendncia :
y

Modelos Quantitativos de
Previso
Tendncia reta
No eixo dos x representamos em geral : ms, ano,
semana.
No eixo dos y representamos : consumo, demanda,
vendas fsicas, valores ( reais, dlares ), quantidade
em geral.
A cada valor de x , corresponde um valor y e
vice-versa.

Modelos Quantitativos de
Previso

Tendncia reta

Exemplo : Uma empresa de fertilizante apresentou

os seguintes resultados de vendas nos
ltimos anos:
ANO
VENDAS
( toneladas)
2006
2007
2008
2009
2010
2011

100
150
200
250
300
350

Modelos Quantitativos de
Previso
ANO

VENDAS
( toneladas)

350

2006
2007
2008
2009
2010
2011

100
150
200
250
300
350

300
250
200
150
100
06

07

08

09

10

A reta r ( tendncia ) obtida atravs da equao :

y=a + bX

11

Modelos Quantitativos de
Previso
Pelo mtodo dos mnimos quadrados,
os valores de a e b so obtidos
pela resoluo de duas equaes:
Y = a n + b X

( equao 1 )

XY = a X + b X2

( equao 2 )

Equao 1 :
Y = a n + b X
A letra n da primeira equao representa a posio
que o dado ocupa no eixo dos x .
A cada posio do eixo dos x , atribudo um valor
de representao a partir do valor zero que
atribudo posio relativa ao vrtice.
Assim, o dado que ocupa o vrtice recebe o valor
zero relativo ao tempo.
O dado imediatamente acima recebe o valor 1 ; o
seguinte o valor 2 ; assim por diante.

Vamos aplicar essas equaes para verificao

da tendncia :
Nota:
observemos que o eixo dos X ser representa
do por valores de ( 0 ) a ( 5 ) vamos determinar a
tendncia para o ano 2012.
ANO

2006
2007
2008
2009
2010
2011

0
1
2
3
4
5

100
150
200
250
300
350

Modelos Quantitativos de
Previso
Passo 1 :
Calcular X e XY elaborando a tabela da seguinte
forma :
ANO

2006
2007

0
1

100
150

2008
2009
2010
2011

2
3
4
5
X=15

X
0
1

200
4
250
9
300
16
350
25
Y=1350 X = 55

XY
( 0 x 100 ) = 0
( 1 x 150 ) = 150
( 2 x 200 ) = 400
( 3 x 250 ) = 750
( 4 x 300 ) = 1200
( 5 x 350 ) = 1750
XY= 4250

Passo 2 :
Resolver as equaes :
Y = a n + b X
XY = a X + b X
Substituindo os valores assim obtidos nas equaes
normais , temos, lembrando que n = 6:
1350 = 6 a + 15 b
4250 = 15 a + 55 b

(I)
( II )

O sistema de duas equaes a duas incgnitas resultante

pode ser resolvido se multiplicarmos a equao ( I ) por
( - 2,5 ) e adicionarmos equao ( II ):

Modelos Quantitativos de
Previso
Passo 2 :
- 2,5 ( 1350 ) = - 2,5 x 6a + ( - 2,5 ) x 15b
3375 = - 15 a 37,5 b
+ 4250 = + 15 a + 55b
+ 875 =
/ + 17,5b
17,5 b = 875
875
b = ---------17,5

b = 50

Modelos Quantitativos de
Previso

Passo 2 :

Substituindo o valor de b na equao ( I ) original,

temos :
1350 = 6 a + 15 ( 50 )
1350 = 6 a + 750
6 a = 1350 750
1350 750
a = -----------------6
a = 100

Modelos Quantitativos de
Previso
Passo 3 :
Substituindo os valores das incgnitas relativas
reta r ( y = a + b X ) pelos valores de a e b, temos
o valor de y.
y=a+bX
y = 100 + 50 X
Passo 4 :
Como queremos a previso para 2012,
2012 o valor de
X 6 ( pois 2011 tem valor 5 ) , ento :
y = 100 + 50 ( 6 )
y = 100 + 300 = 400 toneladas

Modelos Quantitativos de
Previso
Passo 5 :
Transportando este dado para os eixos , temos :
Y
400

r
y=a +bX

350

y = 400 toneladas

300
250
200
150
100

06 07 08 09 10 11 12 X

Modelos Quantitativos de
Previso

Passo 6 :

Os Coeficientes de Correlao

A maior ou menor perfeio do relacionamento

entre as variveis X e Y ( diz-se tambm perfeio
do ajuste ), obtido atravs da linha reta, pode ser
medido atravs do coeficiente de correlao ( r ) .

A grandeza obtida diretamente dos pares

originais ( X , Y ) .

O coeficiente de correlao pode assumir qual

quer valor entre +1 e 1 .

Passo 6 :
Os Coeficientes de Correlao

O valor r = +1 indica uma correlao perfeita

( os valores Y so obtidos com exatido atravs
dos valores X ) e positiva.

Por correlao positiva entendemos que as

variveis X e Y variam no mesmo sentido( quando
uma cresce a outra tambm o faz ) .

Semelhante, o valor r = -1 tambm indica uma

correlao
perfeita,
mas as variveis so
inversamente relacionadas, ou seja , quando
uma aumenta de valor a outra diminui.

Passo 6 :
Os Coeficientes de Correlao

Por outro lado, a correlao entre Y e X tanto

mais fraca quanto mais r se aproxima de zero um
valor absoluto.

H mais de uma frmula para se calcular o

coeficiente de correlao na regresso linear
simples, embora todas elas sejam equivalentes.
Adotaremos a seguinte :
n XY ( X ) ( Y )
r = ---------------------------------------------------[n. X2 - ( X)2][n.Y2 (Y)2]

Passo 6 :
A mesma tabela auxiliar, elaborada para o clculo
de a e b , fornece as quantidades que aparecem na
equao, exceo de, que deve ento ser
calculada.
Exemplo :
Utilizando os dados do exemplo anterior, temos:
X = 15

Y = 1350
XY = 4250
X = 55
Y = 347500

Esses valores permitem o clculo do Coeficiente de

Correlao .

Passo 6 :
Coeficiente de Correlao( r ), temos :
6 ( 4250 ) 15 ( 1350 )
r = ----------------------------------------------------------6 ( 55) ( 15) . 6 ( 347500 ) ( 1350 )
O valor de r = 1,00 indica uma correlao direta
muito alta. Como sugesto, podemos indicar os
intervalos abaixo e as interpretaes respectivas
para os valores absolutos de r.
r
0 a
0,2 a
0,4 a
0,6 a
0,8 a

0,2
0,4
0,6
0,8
1,0

CORRELAO
muito baixa
baixa
mdia
alta
muito alta

Passo 6 :
Coeficiente de determinao( r2 ), temos :
( Y y )2
r2 = ------------------------------ ( y y )2
Variao total = ( y y )2
Variao explicada = ( Y y )2
Variao no explicada = ( y Y )2
Var. Total = Var. Explicada + Var. No explicada
O Coeficiente de determinao a razo da V.E pela V.T
e ilustra quanto da variao dependente y explicada
por x ou pela linha de tendncia

Passo 6 :
Para um r2 = 0,80 = 80% significa que:
80% das variaes so explicadas e
20 % no so explicadas.
Quanto mais forte a relao e o valor de r e r2 ,
maior a probabilidade de as previses resultantes
das equaes regresso serem precisas.
y
Variao no
explicada =
( y Y )2

y
Linha de
Tendncia

Variao total=
( y- y )2

Y
Variao explicada =
( Y- y )2

Modelos Quantitativos de
Previso
Intervalos das Previses ( Intervalo de Confiana ):
A anlise de regresso gera previses para perodos
futuros, sendo estas, estimativas e sujeitas a erros.
A presena de erros de previso ou variaes
ocasionais um fato real para quem faz
previses.
Uma maneira de lidar com essas incertezas
consiste em desenvolver intervalos de
confiana para as previses.

Modelos Quantitativos de
Previso
Intervalos das Previses( Intervalo de Confiana ):
A expresso S y x,x denominada erro padro
da previso, ou desvio padro da previso,
e uma medida de como os pontos dos
dados histricos estavam dispersos nas
proximidades da linha de tendncias.

S yx =

y2 a. y b. xy
n-2

Modelos Quantitativos de
Previso
Intervalos das Previses( Intervalo de Confiana ):
Se Syx for pequeno em relao a previso,
significa que os pontos dos dados passados
estavam estreitamente agrupados nas
proximidades da linha de tendncias, e os
limites superior e inferior esto bem prximos.
Os intervalos permitem que os analistas lidem
com a incerteza que cercam suas previses
desenvolvendo previses da melhor estimativa.

Modelos Quantitativos de
Previso

Exerccio das Anlise de Regresso Linear Simples:

A Specific Motors produz motores eletrnicos.
A fbrica da Specific opera em sua capacidade quase
total h algum tempo.
Jim White, o gerente da fbrica, acha que o
crescimento de vendas prosseguir, e ele quer
desenvolver uma previso a longo prazo a ser usada
para planejar as exigncias de instalaes para os
prximos trs anos :

Exerccio-1 Anlise de Regresso Linear Simples:

O registro de vendas dos ltimos dez anos
acumularam-se:

Exerccio-1 Anlise de Regresso Linear Simples:

O registro de vendas dos ltimos dez anos
acumularam-se:

Modelos Quantitativos de
Previso

Exerccio-1 Anlise de Regresso Linear Simples:

O registro de vendas dos ltimos dez anos
acumularam-se:

Exerccio-1 Anlise de Regresso Linear Simples:

O registro de vendas dos ltimos dez anos
acumularam-se:

Entendo a Estatstica t-Student

Mtodos Quantitativos em Medicina

Testes de Hipteses:
Estatstica t-Student

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste de Hipteses - Estatstica do teste

A estatstica do teste de hiptese depende
da distribuio da varivel na populao e
das informaes disponveis.
Sim

Dist. Normal
(Populao)

Sim

Sim

Teste z

conhecido?

No

No

Amostra
Grande

No

Testes noparamtricos

Teste t
FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Inferncia quando desconhecido

Na maioria das situaes reais, desconhecido.
Neste caso, podemos substituir
amostral, S.

pelo desvio-padro

Estaremos introduzindo mais um erro no processo de

inferncia, o erro de estimao de .

Este novo intervalo ser mais

largo do que o considerado com a

estatstica z.
Surge uma nova distribuio.
FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste de Hiptese para Desconhecido

Se uma varivel aleatria X for normalmente
distribuda em uma populao, na qual a varincia
desconhecida, possvel comparar a mdia amostral
com a mdia da populao utilizando S no lugar de

, atravs

da estatstica t :

t( n 1)

que tem uma distribuio

S
n

t com (n 1) graus de liberdade.

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste de Hiptese para uma Amostra

conhecido

desconhecido

Teste z

X
t
S
n

Teste t

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Distribuio t de Student
William Gosset (1876-1937)

O parmetro usado para

descrever a distribuio t
o nmero de graus de
liberdade, gl, (d.f. degrees
of freedom), que o
tamanho da amostra (n)
menos 1.
1

gl n 1

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Distribuio t de Student
Curva de Densidade de Probabilidade
Simtrica em relao
mdia.

0.40
0.35
0.30
0.25

Normal
T1gl
T5gl
T30gl

Depende do grau de
liberdade, gl .

Quanto
mais
aumenta,
mais
distribuio t tende
Normal padro.

0.20
0.15
0.10
0.05
0.00
-4.00

-3.00

-2.00

-1.00

0.00

1.00

2.00

3.00

4.00

gl
a

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste de Hipteses para Duas

Amostras A e B desconhecidos
possvel comparar duas mdias
amostrais, quando os desvios-padro das
populaes so desconhecidos, atravs da
estatstica t abaixo:

XA XB
t
EPM D

Assim como no caso do teste z, o EPMD pode ser

calculado de maneiras diferentes, dependendo se as
varincias nas populaes A e B so iguais ou no.
FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Erro Padro das Diferenas entre Mdias

A , B
(desconhecidos)

A B
A B

S A2 S B 2

nA
nB

EPM D
EPM D

S0

Varincia conjugada

1
1

n A nB

Para decidir se as varincias so iguais ou diferentes, um outro teste

estatstico, que ser apresentado adiante, necessrio (Teste F).
FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Erro Padro das Diferenas entre Mdias

A varincia conjugada representa a mdia
ponderada das varincias amostrais dos dois
grupos, dada por:
2
2
n

1
S

1
S

A
B
B
S0 2 A
nA 1 nB 1

Se nA = nB :

S A2 S B 2
S0
2
2

Note que, se os tamanhos dos grupos so iguais, a

expresso para calcular o EPMD para varincias iguais
idntica usada, quando as varincias so
diferentes!
FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste t-Student para Duas Amostras

Situao 1:

Em um ensaio clnico, comparou-se dois

anorexgenos e as perdas de peso foram registradas. Desejase testar se a diferena observada nas duas amostras
estatisticamente significante, assumindo-se de 1%.

Grupo A
Grupo B
Paciente Perda (kg) Paciente Perda (kg)
1
0.9
7
3.8
2
1.3
8
4.9
3
1.5
9
5.9
4
2.4
10
6.6
5
2.9
11
6.7
6
3.0
12
7.1
13
7.0

No h informaes
sobre a populao
Teste t-Student.

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste t-Student para Duas Amostras

Mdia
Varincia
n

Grupo A
2
0.784
6

Grupo B
6
1.52
7

H 0 : X1 X 2
H A : X1 X 2

Vamos supor as varincias iguais:

XA XB
t
EPM D

onde

EPM D

S0

1
1

nA nB

2
2
n

1
S

1
S

5 0,784 6 1,52

A
A
B
B
2
S0

1,185.
56
nA 1 nB 1

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste t-Student para Duas Amostras

1
1
1 1
EPM D S0
1,185 0, 606
6 7
nA nB
2

62
t
6, 603
0, 606
gl nA nB 2 6 7 2 11
Regra de Deciso
Se tc < t < tc Aceita-se H0
Caso contrrio, Rejeita-se H0.

Procurar o valor de t
crtico, tc, para gl igual
a 11 e de 0,005
(bicaudal).
Tabela t
FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Distribuio t de Student
Tabela
t0,005 3,106

0, 005
2

tc
grau de
liberdade
1
2
3
4
5
6
7
8
9
10
11
12
13
14

nA+nB - 2 = 11

rea da cauda superior

0,10

0,05

0,025

0,010

0,005

3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345

6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761

12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145

31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624

63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977

gl = 11
t = 6,603
Como t > tc, rejeitase H0 e aceita-se
que as diferenas
so reais.

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Teste t-Student para Duas Amostras

Situao 2: Um estudo compara as alturas de crianas de 4

anos de duas populaes diferentes. Deseja-se testar se as

alturas mdias observadas nas duas amostras so
estatisticamente diferentes, assumindo-se de 5%.
Os resultados obtidos esto resumidos na tabela abaixo:

Mdia
Varincia
n

EPM D

Grupo A
42
4
10

Grupo B
45
25
10

Como nA = nB a expresso para o

clculo de EPMD independe da
relao entre as varincias
populacionais.

S A SB
4 25
45 42

1, 7 t
1, 76
n
10
1, 7
2

FONTE : MEDICINA USP

Entendo a Estatstica t-Student

Distribuio t de Student
t0,025 2,101
Tabela
tc

0, 025
2
nA+nB - 2 = 18
gl = 18
t = 1,76
Como t < tc ,
aceita-se
H0
e
conclui-se que as
alturas so iguais.

grau de
liberdade
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

0,10
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333

rea da cauda superior

0,05
0,025
0,010
6,314
12,706
31,821
2,920
4,303
6,965
2,353
3,182
4,541
2,132
2,776
3,747
2,015
2,571
3,365
1,943
2,447
3,143
1,895
2,365
2,998
1,860
2,306
2,896
1,833
2,262
2,821
1,812
2,228
2,764
1,796
2,201
2,718
1,782
2,179
2,681
1,771
2,160
2,650
1,761
2,145
2,624
1,753
2,131
2,602
1,746
2,120
2,583
1,740
2,110
2,567

0,005
63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898

1,330

1,734

2,878

2,101

2,552

FONTE : MEDICINA USP

Modelos Quantitativos de
Previso

Retornando ao Exerccio - 1

Exerccio-1 Anlise de Regresso Linear Simples:

Nota:
A distribuio de todos os valores de previso
de perodos de tempos futuros so assumidas
como distribuio t de Student.
Student

FONTE : MEDICINA USP

Modelos Quantitativos de
Previso
Exerccio-1 Anlise de Regresso Linear Simples:

t : nmero de desvios padres tirados da mdia da

distribuio para fornecer determinada probabilidade
de ultrapassar esses limites superior e inferior
ocasionalmente.
Exemplo: definir os limites considerando uma
probabilidade de 10%.
10%
( 5% cada extremidade ).
Encontre na tabela t de Student, considerando o
nmero de graus de liberdade de ( n 2 ) = 8 e o
nvel de significncia 0,10 .
O valor encontrado ser 1,860.
FONTE : MEDICINA USP

Nmero de graus de
liberdade: 10-2 = 8
Nvel de Significncia:
10%
Probabilidade unicaldal:
5% cada extremidade

Projetando o prximo perodo: Y11 = 3.286,67

Desvio Padro:

S yx = 173,0300377

Limite Superior: Y11 + t * Syx

Limite Superior: 3.286,67 + ( 1,86 x 173,0300377 )
Limite Superior: 3.286,67 + 321,83585 = 3.608,502537
Limite Inferior:

Y11 t * Syx

Limite Inferior:3.286,67 ( 1,86 x 173,0300377 )

Limite Inferior: 3.286,67 321,83585 = 2.964,830797

Limite Superior = 3.608,502537

3.610 mil unidades

Limite Inferior =

3.965 mil unidades

2.964,830797

Com base nos limites podemos dizer que:

h uma probabilidade de 90% de que nossas

vendas anuais para o prximo ano estejam
entre 3.610 e 3.965 mil unidades.
unidades

h somente uma probabilidade de 10% desses

valores estarem fora.
fora

Modelos Quantitativos de
Previso

Exerccio-2 Anlise de Regresso Linear Simples:

Jack Weis, acha que os servios de engenharia de sua
empresa,
prestados a empresas de construo de rodovias, esto
diretamente relacionados com o valor dos contratos de
construo de rodovias em sua regio. Ele se questiona se isso
realmente assim e se essa informao poder ajud-lo a planejar
melhor suas operaes. Jack pediu a Bill Brandon, um de seus
engenheiros, para realizar uma anlise de regresso linear
simples sobre dados histricos. Bill planeja o seguinte:
a) Desenvolver uma equao de regresso para prever o nvel de
demanda por servios da precision.
b) Prever nvel de demanda para os prximos 04 anos
c) Determinar o quanto a demanda esta relacionada com o valor dos
contratos de construes futuros.

Modelos Quantitativos de
Previso

Exerccio-2 Anlise de Regresso Linear Simples:

Modelos Quantitativos de
Previso
Exerccio-2 Anlise de Regresso Linear Simples:

Modelos Quantitativos de
Previso

Exerccio-2 Anlise de Regresso Linear Simples:

Modelos Quantitativos de
Previso
Exerccio-3- Previses de Sries Temporais Sazonalizadas:
Os dados de vendas anuais da Specific Motors descritos
abaixo:

Modelos Quantitativos de
Previso

Exerccio-3- Previses de Sries Temporais Sazonalizadas :

Os dados de vendas anuais da Specific Motors descritos
abaixo:

Modelos Quantitativos de
Previso
Exerccio das Previses de Sries Temporais Sazonalizadas :

Modelos Quantitativos de
Previso

Exerccio das Previses de Sries Temporais Sazonalizadas :

Modelos Quantitativos de
Previso
Exerccio das Previses de Sries Temporais Sazonalizadas :

Mdias da Preciso da Previso:

A preciso do modelo de previso refere-se a quo
prximo os dados reais seguem as previses.
Trs medidas de preciso da previso so comumente
usadas:
1- Desvio padro da previso (syx )
2- Erro quadrtico mdio(EQM)
EQM ou syx 2
3- Desvio absoluto mdio(DAM)
DAM
Soma do desvio absoluto para n perodos

DAM =
i=1

DAM =
n

Demanda real Demanda prevista

Modelos Quantitativos de
Previso
Mdias da Preciso da Previso:
Quando os erros de previso esto normalmente
distribudos, os valores do DAM e syx
esto relacionados a expresso:
Syx = 1,25 DAM
DAM,
DAM syx e EQM so usados para medir a preciso aps o
fato tanto no modelo de previso de mdio prazo como
o de longo prazo, entretanto no caso dos modelos de
curto prazo o DAM tambm pode ser usado.

Modelos Quantitativos de
Previso

Previses ingnuas:
Os modelos de previses ingnuos so aqueles que
so rpidos e fceis de usar, no tm virtualmente
nenhum custo e so fceis de entender.
Exemplo:
Usar as previses de ontem como previses de vendas
de amanh.
Usar as vendas correspondentes mesma data do ano
passado para previso de vendas de amanh.

Modelos Quantitativos de
Previso
Mtodo da Mdia Mvel:
O mtodo da mdia mvel tira a mdia dos dados de
alguns perodos recentes, que se torna a previso para
o perodo seguinte.

Modelos Quantitativos de
Previso

Exerccio-4 Previso de Curto Prazo com Mdia Mvel:

A gerente de estoques Shirley Johnson quer
desenvolver um sistema de previso de curto prazo
para estimar a quantidade de estoque que flui de
seus armazns cada semana. Ela acha que a
demanda por estoques, de maneira geral, tem
permanecido constante, com leves flutuaes
aleatrias de semana a semana. Um analista do
escritrio central da companhia sugeriu que ela use
uma mdia mvel de 3, 5 ou 7 semanas. Antes de
escolher uma delas, Shirley decide comparar a
preciso de cada uma quanto ao perodo de 10
semanas mais recente.

Modelos Quantitativos de
Previso

Exerccio-4 Previso de Curto Prazo com Mdia Mvel:

Modelos Quantitativos de
Previso

Exerccio-4 Previso de Curto Prazo com Mdia Mvel:

Modelos Quantitativos de
Previso

Exerccio-4 Previso de Curto Prazo com Mdia Mvel:

Modelos Quantitativos de
Previso
Exerccio-4 Previso de Curto Prazo com Mdia Mvel:

Exerccio-4 Previso de Curto Prazo com Mdia Mvel:

Modelos Quantitativos de
Previso
Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

Ajustamento exponencial um sofisticado mtodo de

previso por mdias ponderadas, tendo ainda a
vantagem de ser relativamente simples de utilizar e
compreender.
Nova previso = Previso anterior + ( Valor real Previso anterior).

Onde :

Pt Previso para o perodo t

Pt 1Previso para o perodo t-1
Coeficiente de ajustamento
real ou vendas
Rt 1 Demanda
reais para o perodo t-1

Pt Pt 1 ( Rt 1 Pt 1 )
Representa
um
percentual
do erro

Representa
o erro da
previso

Modelos Quantitativos de
Previso

Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

Ajustamento exponencial um sofisticado mtodo de

previso por mdias ponderadas.
Nova previso = Previso anterior + ( Valor real Previso anterior)

Onde :

Pt Pt 1 ( Rt 1 Pt 1 )

Modelos Quantitativos de
Previso

Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

As previses podem ser monitoradas utilizando-se

sinais de rastreamento ou grficos de controle.
Sinal de rastreamento:
(Valor _ real Valor _ previsto )

Sinal _ de _ rastreamen to
DMA

Tanto o DMA quanto o desvio padro podem ser obtidos

da seguinte forma:

DMAnovo DMAantigo .( e DMAantigo )

DMAt DMAt 1 .( Valor _ real Valor _ previsto DMAt 1 )

s EMQ

2
e

n 1

Modelos Quantitativos de
Previso

Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

As vendas mensais de jaquetas de couro da Lucky Leather

Shoppe para os ltimos 24 meses,
meses assim como as
previses e erros para esses meses, so apresentadas
na tabela a seguir. Determine se a previso est tendo um
bom desempenho utilizando as seguintes abordagens:
1. Um sinal de rastreamento, comeando com o ms 10,
10
atualizando-se o DMA por ajustamento exponencial. Utilize
os limites de 4(3) e considere = 0,2(0,05 -50).
2. Um grfico de controle com limites de 2s. Utilize os dados
dos 08 primeiros meses para traar o grfico e ento
avalie.

Modelos Quantitativos de
Previso

Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

Modelos Quantitativos de
Previso

Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

Modelos Quantitativos de
Previso
Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

DMA = 58/10 = 5,8,

5,8 avaliando o sinal de rastreamento
podemos observar que o mesmo esta dentro dos
limites de 4.
a) Erro Mdio = -11/24 = -0,46 ( O erro mdio deve estar
prximo de zero)
b) S = 6,91
c) Limites de controle = 2*s = 2*6,91= 13,82

Exerccio-5 Previso de Curto Prazo com Ajustamento Exponencial:

DMA = 58/10 = 5,8
a) Erro Mdio = -11/24 = -0,46

( dentro dos limites de 4 )

( O erro mdio deve estar prximo de zero)

S = 6,91
Limites de controle = 2*s = 2*6,91= 13,82

Previso de Demanda
Mtodos Quantitativos
Mtodos Qualitativos
(exerccios propostos)

PCP PREVISO DE DEMANDA - 5

1. Uma editora de livros apresenta o consumo anual do

papel na sua linha de produo. Aplicar o mtodo dos
mnimos quadrados com a tendncia reta. Prever o
consumo para o ano de 2012.
Anos
(X)

Consumo em
toneladas (Y)

2000

49,1

2001

50,3

2002

50,5

2003

50,7

2004

51,4

2005

49,6

2006

53,0

2007

52,0

2008

51,1

2009

51,2

2010

51,5

2011

52,7

Calcular:
a)prevendo o consumo para o ano de 2012.
b)o coeficiente de correlao.
c)o coeficiente de determinao.
d)o desvio padro Syx
e) o Limite Superior e o Limite Inferior.

2.

Aplicar o mtodo da mdia mvel para prever o

consumo em toneladas para o ano de 2012.
Anos
(X)

Consumo em
toneladas (Y)

2000

49,1

2001

50,3

2002

50,5

2003

50,7

2004

51,4

2005

49,6

2006

53,0

2007

52,0

2008

51,1

2009

51,2

2010

51,5

2011

52,7

3. Dois consultores esto preparando para a Motores Nacionais

um estudo de previso de mercado de motores do pas. Eles
pesquisaram a srie histrica em sites na Internet, tendo
chegado a concluso de que a srie anual no apresentava
tendncia, e propuseram a utilizao da tcnica de mdia
mvel simples ( grau de ordem 3 ) para realizar a previso
fundamenta-se na equao e na srie histrica apresentadas
a seguir.
Ano
2008
Produo de Motores

(em

350

2009

2010

2011
250

200
300
Assim, qual deve ser a produo da Motores Nacionais para o ano 2012?
unidades)

( Provo de Administrao 2002 )

4. Uma empresa utiliza o sistema de mdia mvel trimestral para

previso de compra de uma determinada matria-prima.
Observe as quantidades efetivamente consumidas nos
ltimos
cinco meses.
Ms
janeiro feverei maro
ro

abril

maio

Total
do
Perod
o

Consu
100
200
150
110
660
mo
100
De
quantas
unidades
dever
ser
o
pedido
para o prximo ms?
(em
unidades)

( Provo de Administrao 2001

5. As vendas mensais dos computadores laptop da Recife Informtica

nos anos de 2010 2011 so mostradas na tabela a seguir.
Ms

Deman Deman
da de
da de
Vendas Vendas
1996
1997

jan

80

100

fev

75

85

mar

80

90

abr

90

110

mai

115

131

jun

110

120

jul

100

110

ago

90

110

set

85

95

out

75

85

nov

75

85

Deman
da
Mdia
19961997

Deman
da
Mensal
Mdia

ndice
Sazonal

A) Calcular :
a) a Demanda Mdia Mensal de laptop.
b) a Demanda Mensal Mdia de laptop.
c) o ndice Sazonal
B) Se esperssemos que a demanda anual de computadores em 2012
fosse de 1.200 unidades, usando os ndices sazonais, predizer a
demanda mensal de laptop da empresa.

6. A direo da Recife Informtica tem utilizado a regresso de srie temporal

para prever vendas a varejo em sua loja para os prximos 4 trimestres.
As estimativas de vendas so de R$ 100.000,00 , R$ 120.000,00,
R$ 140.000,00 e R$ 160.000,00 para os respectivos trimestres.
Os ndices sazonais dos 4 trimestres encontrados so 1,30; 0,90; 0,70; e 1,15,
respectivamente.
Calcular uma previso de vendas sazonalizada ou ajustada, para cada
trimestre usando a seguinte frmula :
^
y sazonal = ndice sazonal x y^ previso de tendncia

7. As vendas da Loja da Recife Eletro cresceram firmemente nos ltimo

cinco anos, segundo a tabela a seguir.
Ano

Vendas

2007

450

2008

495

2009

518

2010

563

2011

584

2012

Previso
410

O gerente previu em 2006 que as vendas em 2007 seriam de 410

aparelhos de condicionador de ar.
Utilizando o suavizamento exponencial com um peso de = 0,30

desenvolva previses de 2008 at 2012.

2012

8. Utilizar o mtodo de mdia mvel ponderada. Atribuir um peso a

cada um dos dados, sendo a soma dos pesos deve ser igual a 1.
1
Conforme os resultados de venda de fertilizantes em toneladas,
da AGROREC no ano de 2011,
2011 prever o ms de janeiro para o
ano de 2012.
2012
Ms Demanda ( em
toneladas )

Para prever jan 2012,

2012
utilizar mdia mvel
trimestral com fator
de ajustamento:

jan

100

fev

102

mar

101

abr

104

0,7 para dezembro

0,2 para novembro
0,1 para outubro
----1,0

mai

102

jun

101

jul

102

ago

103

set

103

out

103

nov

104

dez

103

9.

Com os dados das vendas de fertilizantes da AGROREC

no ano de 2011,
2011 utilizar uma mdia de 12 meses e que os
volumes de consumo real do ano de 2012.
Ms

Demanda

( em

toneladas )

2011

Tendo iniciado o ano de 2012,

2012 o ms
de janeiro uma demanda real de 104 t.
t

jan

100

fev

102

mar

101

abr

104

P fev = P jan + ( Cjan - P jan )

mai

102

= 0,30

jun

101

jul

102

ago

103

set

103

out

103

nov

104

dez

103

Realizar a previso de demanda do

ms de fevereiro de 2012.
2012

Supondo que a previso de jan 2012 j

Tivesse sido elaborada com base na
mdia mvel de 12 meses e fosse igual
a 102,3 toneladas, teramos:

Pfev =
Pmar =
P abr =

marciliocunha@marciliocunha

www.marciliocunha.com.br